Журнал модели: Журнал Vogue назвал десятку лучших моделей года

Сборные Модели | журналы DeAgostini (ДеАгостини)

Соберите ВАЗ-2121 «Нива» – Шаг за шагом создайте уникальную металлическую модель высокого качества, копию культового советского внедорожника. Издательство Ашет Коллекция (Hachette).

Читать дальше »

Теги» Hachette (Ашет Коллекция), Партворки 2022 Новинки, Сборные Модели

Первый в мире серийный суперкар, настоящая легенда, Lamborghini Miura. Эксклюзивная лицензионная модель высочайшего качества в масштабе 1:8. Издательство Ашет Коллекция (Hachette).

Читать дальше »

Теги» Hachette (Ашет Коллекция), Модели Авто 1:43, Партворки 2021, Сборные Модели

Гордость королевского флота Испании в России!
Соберите свой корабль «Сантисима Тринидад» в масштабе 1:84! Новинка от DeAgostini!

Читать дальше »

Теги» DeAgostini, Модели Кораблей, Партворки 2021, Сборные Модели

Дух свободы, непокорность, чистая красота, осязаемая мощь – впервые в России Ford Mustang 1967 Shelby GT-500 в масштабе 1:8 с глянцевым металлическим кузовом! Новинка от DeAgostini.

Читать дальше »

Теги» DeAgostini, Модели Авто 1:43, Партворки 2021, Сборные Модели

Соберите ECTO-1 из фильма «Охотники за привидениями» с новой коллекцией от Eaglemoss.

Читать дальше »

Теги» Eaglemoss (Джи Фаббри), Модели Авто 1:43, Партворки 2021, Сборные Модели

Соберите Ford Mustang Eleanor из фильма «Угнать за 60 секунд» с новой коллекцией от Eaglemoss.

Читать дальше »

Теги» Eaglemoss (Джи Фаббри), Модели Авто 1:43, Партворки 2021, Сборные Модели

Новая коллекция «Moomin. Собираем Муми-Дом» – Добро пожаловать в добрый и уютный мир муми-троллей и их друзей. Издательство ДеАгостини (DeAgostini).

В каждом выпуске вы найдете детали для сборки Муми-дома и подробную инструкцию. Также мы приготовили для вас много очаровательных деталей из мира муми-троллей и 8 фигурок персонажей: семья муми-троллей и их друзья! Читать дальше »

Теги» DeAgostini, Партворки 2021, Сборные Модели, Фигурки

Соберите легендарный красно-золотой костюм Железного Человека вместе с новой коллекций от ДеАгостини (DeAgostini). С каждым выпуском журнал и детали для сборки.

Читать дальше »

Теги» DeAgostini, Партворки 2021, Сборные Модели, Фигурки

Соберите Легендарный Внедорожник УАЗ-469 – стендовую модель в масштабе 1/8 с металлическим кузовом и съемным тентом. Издательство ДеАгостини (DeAgostini).

Читать дальше »

Теги» DeAgostini, Модели Авто 1:43, Партворки 2020, Сборные Модели

Соберите Aston Martin DB5 Джеймса Бонда с новой коллекцией от Eaglemoss.

Читать дальше »

Теги» Eaglemoss (Джи Фаббри), Модели Авто 1:43, Партворки 2020, Сборные Модели

1 2 3   Следующая Страница »

Книги и журналы по моделизму

Книги и журналы по моделизму | Купить в Platcdarm

В вашей корзине 0Р 0

Например: советский танк

Расширенный поиск

Видео

Журнал М-Хобби

Каталоги

Литература

Сначала без сортировкис наибольшей ценойс наименьшей ценойпо популярностипо артикулу

Показывать по 15по 30по 60по 120

Новинка

4-2023 Цейхгауз Журнал М-Хобби №4/2023

N/A

N/A

N/A

3-2023 Цейхгауз Журнал М-Хобби №3/2023

N/A

N/A

N/A

2-2023 Цейхгауз Журнал М-Хобби №2/2023

N/A

N/A

N/A

1-2023 Цейхгауз Журнал М-Хобби №1/2023

N/A

N/A

N/A

12-2022 Цейхгауз Журнал М-Хобби №12/2022

N/A

N/A

N/A

11-2022 Цейхгауз Журнал М-Хобби №11/2022

N/A

N/A

N/A

9-2022 Цейхгауз Журнал М-Хобби №9/2022

N/A

N/A

N/A

30 Журнал «Масштабные модели» №30 2004 Б/У

N/A

N/A

N/A

23 Журнал «Масштабные модели» №23 2004 Б/У

N/A

N/A

N/A

8-2022 Цейхгауз Журнал М-Хобби №8/2022

N/A

N/A

N/A

ASQ05 Abrams Squad №5 Б/У

N/A

N/A

N/A

1 500 1 125 Р

ASQ04 Abrams Squad №4 2013 Б/У

N/A

N/A

N/A

1 500 1 125 Р

ASQ03 Abrams Squad №3 2013 Б/У

N/A

N/A

N/A

1 500 1 125 Р

ASQ02 Abrams Squad №2 2013 Б/У

N/A

N/A

N/A

1 500 1 125 Р

5-2022 Цейхгауз Журнал М-Хобби №5/2022

N/A

N/A

N/A

4-2022 Цейхгауз Журнал М-Хобби №4/2022

N/A

N/A

N/A

SMH-TC05 MRBlack WWII German Military Forces in Scale 2, Theme Coll

N/A

N/A

N/A

4 550 Р

SMH-TC01 MRBlack WWII German Military Forces in Scale

N/A

N/A

N/A

4 550 Р

SMH-WWII03 MRBlack Scale Model Handbook, WWII Special Vol. 3

N/A

N/A

N/A

3 670 Р

SMH-TC08 MRBlack WWII German Military Forces in Scale 3, Theme Coll

N/A

N/A

N/A

4 550 Р

AK918 AK Interactive Книга WRECKED PLANES — AVIONES DESTROZADOS (EN)

N/A

N/A

N/A

3 100 Р

AK2941 AK Interactive Журнал ACES HIGH MONOGRAFHIC SERIES: SKYHAWK EN

N/A

N/A

N/A

1 230 Р

AK2933 AK Interactive Журнал Aces High 16 D-DAY EN

N/A

N/A

N/A

1 230 Р

AK2926 AK Interactive Журнал Aces Especial Aces High The Best of vol. 2

N/A

N/A

N/A

1 630 Р

AK2925 AK Interactive Журнал Aces Especial Aces High The Best of vol.1

N/A

N/A

N/A

1 630 Р

AK2923 AK Interactive Журнал Aces High Nº 12 EN

N/A

N/A

N/A

1 230 Р

AK2919 AK Interactive Журнал Aces High Nº 10 EN

N/A

N/A

N/A

1 230 Р

ABT803 Abteilung 502 Книга MASTER MODELER SERIES VOL2 — EN

N/A

N/A

N/A

5 100 Р

ABT738 Abteilung 502 Книга DEUTSCHE UNIFORMEN (1919-1945) VOL 2 EN

N/A

N/A

N/A

4 500 Р

Цейхгауз Книга Грузовой автомобиль ЗИС-5 Поликарпов Н.

N/A

N/A

N/A

Будьте в курсе наших новинок и акций:

Линейно-логарифмическая модель в эконометрике

Если вы используете натуральные логарифмические значения для ваших независимых переменных ( X ) и сохраняете вашу зависимую переменную ( Y ) в исходном масштабе, эконометрическая спецификация называется линейным логарифмом. модель (в основном зеркальное отражение логарифмической модели). Эти модели обычно используются, когда влияние вашей независимой переменной на вашу зависимую переменную уменьшается по мере увеличения значения вашей независимой переменной.

Поведение функции похоже на квадратичную, но отличается тем, что она никогда не достигает максимального или минимального значения Y .

Исходная модель не является линейной по параметрам, но логарифмическое преобразование создает желаемую линейность. (Напомним, что линейность параметров является одним из допущений МНК. )

Рассмотрим следующую модель потребительских расходов, которая зависит от некоторого автономного потребления и дохода:

где Д представляет потребительские расходы,

— автономное потребление (потребление, не зависящее от дохода), X — доход,

— предполагаемое влияние дохода на потребление.

Вероятно, вы знакомы с взаимосвязью между доходом и потреблением. В своих курсах по экономике вы, вероятно, называли ее

кривой Энгеля . Возможно, вы не видели математической функции, стоящей за этим, но вы видели графическое изображение.

Оценка функций потребления — не единственное использование линейно-логарифмических функций. Экономисты склонны использовать эти функции каждый раз, когда единицы измерения зависимой переменной, вероятно, будут меньше, чем единицы измерения независимых переменных.

Если вы начинаете с функции вида

, где значение Y для данного X может быть получено только в том случае, если влияние известно, то вы можете оценить влияние с помощью OLS, только если вы используете преобразование журнала. Если вы возьмете натуральное бревно обеих сторон, вы получите

где

— неизвестная константа, а

— это неизвестное влияние X . Вы можете оценить это с помощью OLS, просто используя натуральные логарифмические значения для независимой переменной ( X ) и исходный масштаб для зависимой переменной ( Y ).

После оценки линейно-логарифмической модели коэффициенты можно использовать для определения влияния независимых переменных ( X ) на зависимую переменную ( Y ). Коэффициенты в линейно-логарифмической модели представляют предполагаемые единицы изменения в вашей зависимой переменной для процентного изменения в вашей независимой переменной.

Используя вычисления с простой линейно-логарифмической моделью, вы можете увидеть, как следует интерпретировать коэффициенты. Начните с модели

и дифференцировать его, чтобы получить

Член в правой части представляет собой процентное изменение X , а член в левой части представляет собой изменение единицы измерения Y .

В экономике многие ситуации характеризуются убывающей предельной отдачей. Линейно-логарифмическая модель обычно хорошо работает в ситуациях, когда эффект X на Y всегда сохраняет один и тот же знак (положительный или отрицательный), но его влияние уменьшается.

Предположим, используя случайную выборку школьных округов, вы получили следующие регрессионные оценки:

, где Y — средний балл SAT по математике, а X — расходы на одного учащегося. Расчетный коэффициент

означает, что увеличение расходов на одного учащегося на 1 процент увеличивает средний балл SAT по математике на 0,65 балла.

Если вы оцениваете линейно-логарифмическую регрессию, пара результатов для коэффициента на X дает наиболее вероятные отношения:

В части (a) показана линейно-логарифмическая функция, в которой влияние независимой переменной является положительным.

В части (b) показана линейно-логарифмическая функция, в которой влияние независимой переменной отрицательно.

Как и в логарифмически-логарифмических и логарифмически-линейных моделях, коэффициенты регрессии в линейно-логарифмических моделях не отражают наклон.

Интерпретация логарифмических преобразований в линейной модели

Логарифмические преобразования часто рекомендуются для искаженных данных, таких как денежные показатели или определенные биологические и демографические показатели. Преобразование данных журнала обычно приводит к распределению групп данных и объединению разрозненных данных. Например, ниже представлена ​​гистограмма площадей всех 50 штатов США. Он смещен вправо из-за Аляски, Калифорнии, Техаса и некоторых других.

история(государство.область)

 

После преобразования журнала обратите внимание, что гистограмма более или менее симметрична. Мы сдвинули большие штаты ближе друг к другу и разнесли меньшие штаты.

история (журнал (состояние. область))

 

Зачем это делать? Одна из причин — сделать данные более «нормальными» или симметричными. Если мы выполняем статистический анализ, который предполагает нормальность, логарифмическое преобразование может помочь нам удовлетворить это предположение. Другая причина состоит в том, чтобы помочь удовлетворить предположение о постоянной дисперсии в контексте линейного моделирования. Еще одна — помочь сделать нелинейные отношения более линейными. Но хотя реализовать логарифмическое преобразование легко, оно может усложнить интерпретацию. Допустим, мы подгоняем линейную модель к логарифмически преобразованной зависимой переменной. Как интерпретировать коэффициенты? Что, если у нас есть логарифмически преобразованные зависимые и независимые переменные? Это тема этой статьи.

Сначала мы дадим рецепт интерпретации для тех, кому просто нужна быстрая помощь. Затем мы немного углубимся в то, что мы говорим о нашей модели, когда мы логируем наши данные.


Правила интерпретации

Хорошо, вы выполнили регрессию/подгонку линейной модели, и некоторые из ваших переменных были логарифмически преобразованы.

  1. Только зависимая переменная/отклик подвергается логарифмическому преобразованию . Возведите коэффициент в степень, вычтите из этого числа единицу и умножьте на 100. Это дает процент увеличения (или уменьшения) отклика на каждое увеличение независимой переменной на одну единицу. Пример: коэффициент 0,198. (ехр(0,198) – 1) * 100 = 21,9. При увеличении независимой переменной на одну единицу наша зависимая переменная увеличивается примерно на 22%.
  2. Только независимые переменные/переменные-предикторы подвергаются логарифмическому преобразованию . Разделите коэффициент на 100. Это говорит нам о том, что увеличение независимой переменной на 1% увеличивает (или уменьшает) зависимую переменную на (коэффициент/100) единиц. Пример: коэффициент равен 0,198. 0,198/100 = 0,00198. На каждый 1% увеличения независимой переменной наша зависимая переменная увеличивается примерно на 0,002. Для увеличения на x процентов умножьте коэффициент на log(1. x). Пример: на каждые 10% увеличения независимой переменной наша зависимая переменная увеличивается примерно на 0,19.8 * log(1,10) = 0,02.
  3. И зависимая переменная/переменная-отклик, и независимая/переменная-предиктор(ы) подвергаются логарифмическому преобразованию . Интерпретируйте коэффициент как процент увеличения зависимой переменной на каждый 1% увеличения независимой переменной. Пример: коэффициент равен 0,198. На каждый 1% увеличения независимой переменной наша зависимая переменная увеличивается примерно на 0,20%. Для увеличения на x процентов вычислите 1.x в степени коэффициента, вычтите 1 и умножьте на 100. Пример. На каждые 20 % увеличения независимой переменной наша зависимая переменная увеличивается примерно на (1,20 0,198 – 1) * 100 = 3,7 процента.

Что на самом деле означают логарифмические преобразования для ваших моделей

Приятно знать, как правильно интерпретировать коэффициенты для логарифмически преобразованных данных, но важно знать, что именно подразумевает ваша модель, когда она включает логарифмически преобразованные данные. Чтобы лучше понять, давайте воспользуемся R для моделирования некоторых данных, которые потребуют логарифмических преобразований для правильного анализа. Мы упростим задачу с одной независимой переменной и нормально распределенными ошибками. Сначала мы рассмотрим логарифмически преобразованную зависимую переменную.

x <- seq(0.1,5,length.out = 100)
set.seed(1)
e <- rnorm(100, среднее = 0, sd = 0,2)

 

Первая строка генерирует последовательность из 100 значений от 0,1 до 5 и присваивает ее x. Следующая строка устанавливает начальное число генератора случайных чисел в 1. Если вы сделаете то же самое, вы получите те же случайно сгенерированные данные, которые мы получили при запуске следующей строки. Код rnorm(100, mean = 0, sd = 0,2) генерирует 100 значений из нормального распределения со средним значением 0 и стандартным отклонением 0,2. Это будет наша «ошибка». Это одно из предположений простой линейной регрессии: наши данные могут быть смоделированы с помощью прямой линии, но будут отклоняться на некоторую случайную величину, которая, как мы предполагаем, исходит из нормального распределения со средним значением 0 и некоторым стандартным отклонением. Мы присваиваем нашу ошибку e.

Теперь мы готовы создать нашу зависимую переменную с логарифмическим преобразованием. Мы выбираем точку пересечения (1.2) и наклон (0.2), которые мы умножаем на x, а затем добавляем нашу случайную ошибку, т.е. Наконец возводим в степень.

у <- ехр(1,2 + 0,2 * х + е)

 

Чтобы понять, почему мы возводим в степень, обратите внимание на следующее:

$$\text{log}(y) = \beta_0 + \beta_1x$$
$$\text{exp}(\text{log}(y)) = \text{exp}(\beta_0 + \beta_1x)$$
$$y = \text{exp}(\beta_0 + \beta_1x)$$

Таким образом, логарифмически преобразованная зависимая переменная означает, что наша простая линейная модель была возведена в степень. Напомним из правила произведения показателей, что мы можем переписать последнюю строку выше как

$$y = \text{exp}(\beta_0) \text{exp}(\beta_1x)$$

Отсюда также следует, что наша независимая переменная имеет мультипликативную связь с нашей зависимой переменной вместо обычной аддитивной связи. Отсюда необходимость выражать влияние изменения x на y на одну единицу в процентах.

Если мы подгоним правильную модель к данным, обратите внимание, что мы довольно хорошо восстанавливаем истинные значения параметров, которые мы использовали для создания данных.

lm1 <- lm(log(y) ~ x)
резюме(lm1)

Вызов:
лм (формула = журнал (у) ~ х)

Остатки:
    Мин. 1 кв. Медиана 3 кв. Макс.
-0,4680 -0,1212 0,0031 0,1170 0,4595

Коэффициенты:
            Оценка стд. Значение ошибки t Pr(>|t|)
(Перехват) 1,22643 0,03693 33,20 <2е-16***
х 0,19818 0,01264 15,68 <2е-16***
---
Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «.» 0,1 « » 1

Остаточная стандартная ошибка: 0,1805 при 98 степенях свободы.
Множественный R-квадрат: 0,7151, скорректированный R-квадрат: 0,7122
F-статистика: 246 на 1 и 98 DF, p-значение: <2,2e-16

 

Предполагаемое пересечение 1,226 близко к истинному значению 1,2. Расчетный наклон 0,198 очень близок к истинному значению 0,2. Наконец, расчетная остаточная стандартная ошибка 0,1805 не слишком далека от истинного значения 0,2.

Напомним, что для интерпретации значения наклона нам необходимо возвести его в степень.

exp(коэффициент(lm1)["x"])
       Икс
1.219179

 

Это говорит о том, что каждое увеличение x на одну единицу умножается примерно на 1,22. Или, другими словами, при каждом увеличении x на одну единицу y увеличивается примерно на 22%. Чтобы получить 22%, вычтите 1 и умножьте на 100.

(exp(coef(lm1)["x"]) - 1) * 100
       Икс
21.91786

 

Что, если мы подберем просто y вместо log(y)? Как мы можем понять, что нам следует рассмотреть преобразование журнала? Просто просмотр коэффициентов мало что вам скажет.

lm2 <- lm(y ~ x)
резюме(lm2)

Вызов:
лм (формула = у ~ х)

Остатки:
    Мин. 1 кв. Медиана 3 кв. Макс.
-2,3868 -0,6886 -0,1060 0,5298 3,3383

Коэффициенты:
            Оценка стд. Значение ошибки t Pr(>|t|)
(Пересечение) 3,00947 0,23643 12,73 <2e-16 ***
х 1,16277 0,08089 14,38 <2е-16***
---
Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «. » 0,1 « » 1

Остаточная стандартная ошибка: 1,156 на 98 степеней свободы
Множественный R-квадрат: 0,6783, скорректированный R-квадрат: 0,675
F-статистика: 206,6 на 1 и 98 DF, p-значение: <2,2e-16

 

Конечно, поскольку мы сгенерировали данные, мы видим, что коэффициенты далеко не совпадают, а остаточная стандартная ошибка слишком высока. Но в реальной жизни вы этого не узнаете! Именно поэтому мы проводим регрессионную диагностику. Ключевым предположением для проверки является постоянная дисперсия ошибок. Мы можем сделать это с помощью графика Scale-Location. Вот график для модели, которую мы только что запустили без логарифмического преобразования y.

plot(lm2, which = 3) # 3 = график Scale-Location

 

Обратите внимание, что стандартизированные остатки имеют тенденцию к увеличению. Это признак того, что предположение о постоянной дисперсии было нарушено. Сравните этот график с тем же графиком для правильной модели.

сюжет (lm1, который = 3)

 

Линия тренда ровная, а остатки равномерно разбросаны.

Означает ли это, что вы всегда должны преобразовывать вашу зависимую переменную в журнал, если вы подозреваете, что предположение о постоянной дисперсии было нарушено? Не обязательно. Непостоянная дисперсия может быть связана с другими неверными спецификациями вашей модели. Также подумайте о том, что означает моделирование логарифмически преобразованной зависимой переменной. Он говорит, что имеет мультипликативную связь с предикторами. Это кажется правильным? Используйте свое суждение и предметный опыт.

Теперь давайте рассмотрим данные с логарифмически преобразованной независимой переменной-предиктором. Это проще сгенерировать. Мы просто лог-преобразуем x.

у <- 1,2 + 0,2 * log (х) + е

 

И снова мы сначала подбираем правильную модель и замечаем, что она отлично справляется с восстановлением истинных значений, которые мы использовали для создания данных:

lm3 <- lm(y ~ log(x))
резюме(lm3)

Вызов:
лм (формула = у ~ журнал (х))

Остатки:
     Мин.  1 кв. Медиана 3 кв. Макс.
-0,46492 -0,12063 0,00112 0,11661 0,45864

Коэффициенты:
            Оценка стд. Значение ошибки t Pr(>|t|)
(Пересечение) 1,22192 0,02308 52,938 < 2e-16 ***
log(x) 0,19979 0,02119 9,427 2,12e-15 ***
---
Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «.» 0,1 « » 1

Остаточная стандартная ошибка: 0,1806 при 98 степенях свободы.
Множественный R-квадрат: 0,4756, скорректированный R-квадрат: 0,4702
F-статистика: 88,87 на 1 и 98 DF, p-значение: 2,121e-15

 

Для интерпретации коэффициента наклона мы делим его на 100.

коэф(лм3)["журнал(х)"]/100
     журнал (х)
0.001997892

 

Это говорит нам о том, что увеличение x на 1% увеличивает зависимую переменную примерно на 0,002. Почему это говорит нам об этом? Давайте займемся математикой. Ниже мы вычисляем изменение y при изменении x от 1 до 1,01 (т. е. увеличение на 1%).

$$(\beta_0 + \beta_1\text{log}1.01) – (\beta_0 + \beta_1\text{log}1)$$
$$\beta_1\text{log}1. 01 – \beta_1\text{ журнал}1$$
$$\beta_1(\text{log}1.01 – \text{log}1)$$
$$\beta_1\text{log}\frac{1.01}{1} = \beta_1\text{log}1.01$ $

В результате коэффициент наклона умножается на log(1,01), что приблизительно равно 0,01, или \(\frac{1}{100}\). Отсюда интерпретация, согласно которой увеличение x на 1% увеличивает зависимую переменную на коэффициент /100.

Еще раз давайте подгоним неправильную модель, не указав логарифмическое преобразование для x в синтаксисе модели.

lm4 <- lm(y ~ x)

 

Просмотр сводки модели покажет, что оценки коэффициентов сильно отличаются от истинных значений. Но на практике мы никогда не знаем истинных значений. И снова диагностика предназначена для оценки адекватности модели. Полезной диагностикой в ​​этом случае является график частичного остатка, который может выявить отклонения от линейности. Напомним, что линейные модели предполагают, что предикторы являются аддитивными и имеют линейную связь с переменной отклика. Пакет car предоставляет функцию crPlot для быстрого создания графиков частичного остатка. Просто дайте ему объект модели и укажите, для какой переменной вы хотите создать график частичного остатка.

библиотека (машина)
crPlot(lm4, переменная = "x")

 

Прямая линия представляет указанное соотношение между x и y. Изогнутая линия представляет собой гладкую линию тренда, которая суммирует наблюдаемую взаимосвязь между x и y. Мы можем сказать, что наблюдаемая зависимость нелинейна. Сравните этот график с графиком частичного остатка для правильной модели.

crPlot(lm3, переменная = "log(x)")

 

Плавные и облегающие линии точно накладываются друг на друга, не обнаруживая серьезных отклонений от линейности.

Это не означает, что если вы видите отклонение от линейности, вы должны немедленно предположить, что логарифмическое преобразование является единственным исправлением! Нелинейная зависимость может быть сложной, и ее не так легко объяснить с помощью простого преобразования. Но в таких случаях может подойти логарифмическое преобразование, и его, безусловно, следует учитывать.

Наконец, давайте рассмотрим данные, в которых как зависимая, так и независимая переменные логарифмически преобразованы.

y <- exp(1,2 + 0,2 * log(x) + e)

 

Посмотрите внимательно на приведенный выше код. Отношения между x и y теперь мультипликативны и нелинейны!

Как обычно, мы можем подобрать правильную модель и заметить, что она отлично справляется с восстановлением истинных значений, которые мы использовали для создания данных:

lm5 <- lm(log(y)~ log(x))
резюме (lm5)

Вызов:
лм (формула = журнал (у) ~ журнал (х))

Остатки:
     Мин. 1 кв. Медиана 3 кв. Макс.
-0,46492 -0,12063 0,00112 0,11661 0,45864

Коэффициенты:
            Оценка стд. Значение ошибки t Pr(>|t|)
(Перехват) 1.22192 0,02308 52,938 < 2е-16***
log(x) 0,19979 0,02119 9,427 2,12e-15 ***
---
Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «.» 0,1 « » 1

Остаточная стандартная ошибка: 0,1806 при 98 степенях свободы. 
Множественный R-квадрат: 0,4756, скорректированный R-квадрат: 0,4702
F-статистика: 88,87 на 1 и 98 DF, p-значение: 2,121e-15

 

Интерпретируйте коэффициент x как процентное увеличение y на каждый 1% увеличения x. В данном случае это увеличение y примерно на 0,2% на каждый 1% увеличения x.

Подгонка неправильной модели снова дает оценки коэффициентов и остаточных стандартных ошибок, которые сильно отличаются от целевых.

lm6 <- lm(y ~ x)
резюме (lm6)

 

Графики Scale-Location и Partial-Residual свидетельствуют о том, что с нашей моделью что-то не так. График Scale-Location показывает кривую линию тренда, а график Partial-Residual показывает линейные и гладкие линии, которые не совпадают.

сюжет (lm6, который = 3)

 

crPlot(lm6, переменная = "x")

 

Как бы мы узнали в реальной жизни, что правильная модель требует логарифмически преобразованных независимых и зависимых переменных? Мы бы не стали.

Похожие записи

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *